## 概述 大模型进通信业，喊得最响的是网络自智，落地最快的却是客服。两年过去，Vodafone的SuperTOBi、Telstra的Ask Telstra、中国移动的“九天”客服都已商用交卷：有人把人工后续跟进干掉了20%，有人首月用AI顶了700个坐席；也有人被一个聊天机器人拖进仲裁庭，为它的嘴赔了812.02加元。本文用真实判例与公司披露数据，拆开运营商客服大模型的流水线、账本与翻车档案，回答一个问题——这套东西到底值不值得上。 ## 目录 - [为什么客服是大模型进运营商的第一站](#为什么客服是大模型进运营商的第一站) - [四份答卷：谁在真用，用出了什么](#四份答卷谁在真用用出了什么) - [一条消息进来后：客服大模型的流水线](#一条消息进来后客服大模型的流水线) - [账本：省下的钱从哪来](#账本省下的钱从哪来) - [翻车档案：812加元买来的教训](#翻车档案812加元买来的教训) - [十条军规：给要上线的团队](#十条军规给要上线的团队) - [结语：客服不是AI的终点站，是售票处](#结语客服不是ai的终点站是售票处) ## 为什么客服是大模型进运营商的第一站 干了十八年核心网，我观察到一个反直觉的现象：运营商谈AI，台面上讲的都是自动驾驶网络、L4自智、AI-RAN，但真正先跑出规模、先算清账的，全是客服。原因不复杂，三个字——**痛、散、准**。 **痛**。呼叫中心是运营商人力成本最集中的地方之一。数以万计的坐席，7×24排班，年流动率普遍在30%以上（这是呼叫中心行业的老大难，不是哪家的特色），培训一个新坐席到能独立接线，通常要一到三个月。账单疑问、套餐变更、宽带报障，80%以上的话务集中在长尾而重复的问题上——这句话在十年前上智能IVR的时候就说，但菜单式IVR用户不爱按，“转人工”三个字常年霸占社交平台吐槽榜。 **散**。大模型落网络侧，动的是网元、是生产系统，出了错就是事故，所以每个人都很谨慎；落客服侧，最坏情况是答错一句话、办错一单业务，有坐席兜底、有录音回溯、有补偿通道。试错半径小，天然适合当练兵场。 **准**。客服语料是运营商手里质量最高、结构最规整的数据资产：话术脚本、工单、历史会话、知识库，全是有标注、有闭环的现成语料。别的地方挖AI的「燃料」要重新勘探，客服这里是现成的油井。 Gartner在2023年8月给过一个被广泛引用的预测：到2026年，会话式AI在呼叫中心的部署将把坐席人力成本砍掉800亿美元。这个数字怎么算出来的可以争论，但方向所有CFO都看得懂——这就是为什么2023年底开始，全球运营商的客服大模型项目密集立项。 ## 四份答卷：谁在真用，用出了什么 谈AI应用最怕PPT式盘点。下面这四家，产品是真的在跑，数据全部来自公司官方披露或主流媒体（路透社、CBC）报道，我把口径原样端上来，各位自己判断含金量。 **第一份：Vodafone的SuperTOBi。** TOBi是欧洲最早规模化的电信聊天机器人之一，2017年前后就在多个市场接客。2023年12月，Vodafone与微软合作，基于Azure OpenAI推出升级版SuperTOBi，从「按键选择+关键词匹配」升级为能连续对话、能直接办理业务的数字助理，首批在意大利市场试点。Vodafone官方公告的核心卖点是：此前TOBi的年对话量已是千万级，SuperTOBi要解决的是传统bot「答不上就甩人工」的断崖。截至目前的公开材料中，Vodafone把SuperTOBi定位为客户服务的中枢而非噱头，这一点从它被写进Vodafone与微软的联合商务声明可以看出。 **第二份：Telstra的Ask Telstra。** 这是目前口径最硬的一份运营商答卷。据路透社2024年9月报道，澳洲Telstra基于Azure OpenAI给员工上了两个内部工具：「Ask Telstra」（员工随手查内部知识库，替代翻多个后台系统）和「Summarize」（自动总结与客户的沟通记录，减少手工录入和二次回访）。公司披露：Ask Telstra上线后有一万三千多名员工日常使用；Summarize把人工后续跟进动作减少了约20%；部分受访团队自估每人每周省下一到两个小时。注意，这两款工具都是**给坐席用的副驾驶，不是直接对客的机器人**——这个路线选择本身就是老牌运营商的谨慎：先让AI辅助人，再谈AI替代人。 **第三份：中国移动的「九天」。** 2024年7月世界人工智能大会期间，中国移动正式发布「九天」基座大模型，定位是行业大模型，客服和网优网络运维是官方口径里最先规模化的两个场景。据公司公开介绍，九天系列已渗入10086热线的部分省份试点与智能营销服务；通信行业媒体（C114、通信世界）对此有多轮报道。相比海外同行，国内运营商的优势是自持全栈——从基座模型到知识库到热线渠道都在自己手里，劣势是三十多个省公司各自的知识库治理水平参差，规模化复制比单点标杆难得多。 **第四份对照：Klarna。** 它不是运营商，是瑞典的先买后付金融科技公司，但它是2024年全球客服大模型最具参考价值的样本：2024年2月，Klarna披露其基于OpenAI构建的AI助理上线首月处理了230万次对话，相当于约650~700名全职坐席的工作量，公司预计为其带来4000万美元的年利润改善。通信业看这组数字要冷静：Klarna的业务复杂度远低于一家全业务运营商，你不能拿它直接推算自己的裁员名额。 | 公司 | 产品 | 技术底座 | 关键节点 | 公开效果口径 | |---|---|---|---|---| | Vodafone | TOBi → SuperTOBi | 自研对话系统 + Azure OpenAI | 2017年上线 / 2023年12月升级 | 年对话量千万级；意大利率先试点（公司公告） | | Telstra | Ask Telstra + Summarize | Azure OpenAI，坐席副驾驶路线 | 2024年全员推广 | 1.3万+员工使用；人工后续跟进约-20%（据路透社报道） | | 中国移动 | 九天·智能客服 | 九天基座大模型 | 2024年7月发布 | 多省10086热线试点（公司口径） | | Klarna（对照） | AI助理 | OpenAI | 2024年2月上线 | 首月230万次对话≈650~700坐席；预计年利润+4000万美元（公司披露） | ## 一条消息进来后：客服大模型的流水线 看完了成绩单，拆机器。一个能上生产的运营商客服大模型，绝不是「接个API就完事」，它是一条带多重闸门的流水线。我用实际项目的通用架构画出来（各厂家产品实现细节不同，标准做法大体一致）： ```mermaid flowchart TD A["客户来电或来消息"] --> B["语音转写与意图识别"] B --> C["意图分级"] C --> D{"涉资金高风险？"} D -->|是| H["转人工坐席"] D -->|否| E["RAG检索知识库"] E --> F["大模型生成回复"] F --> G{"护栏与事实校验"} G -->|不通过| H G -->|通过| I["调CRM办业务"] I --> J["回访与质检"] H --> J F -.-> K["日志与评测集回流"] ``` 几个关键环节，工程师视角逐个说： **意图分级是第一道闸门。** 不是所有问题都配让大模型说话。欠费争议、销户退费、投诉升级，这些涉资金、涉合规的高风险意图，直接路由给人工，大模型连碰都不碰。分级清单由业务部门逐条签字确认，而不是算法团队拍脑袋——这是我带项目时反复强调的红线。 **RAG检索是事实的地基。** 运营商知识库的特点是「变更频繁+版本嵌套」：套餐今年改三次价，老用户还挂在两年前的协议上。所以RAG不是简单地「把文档喂进去」，而是要按客户身份检索**他所处协议版本**对应的资费事实。这一步做不好，后面模型再聪明，答的全是过期货。 **护栏校验是最后一道闸门。** 模型生成的话术要过三道检查：数字类答案（价格、流量、期限）必须与检索到的结构化事实逐字段比对，对不上就打回重生成或转人工；敏感词与承诺类表述（「保证」「最低价」）触发白名单校验；执行类动作（改套餐、订流量包）必须二次确认。行业里常见的工程参数（作者经验区间）：转人工超时阈值3~5秒，知识库热更新周期不高于24小时，上线前评测集不少于5000条覆盖长尾问题的问答对。 **日志回流是系统能不能进化分水岭。** 每一次转人工、每一次客户纠正、每一次质检扣分，都要沉淀成评测集的新样本。没有这个闭环，客服大模型上线即巅峰，三个月后知识过期，客户体验一路阴跌。 ## 账本：省下的钱从哪来 CFO们最爱问：钱到底省在哪？答案是四个指标，每个都有明确的工程含义： | 指标 | 含义 | 为什么重要（作者经验） | |---|---|---| | Deflection率（问题拦截率） | AI独立解决、未转人工的占比 | 直接决定人力替代规模，但虚假拦截（客户骂完挂机）会美化数据 | | AHT（平均处理时长） | 坐席处理一通会话的时长 | Telstra的Summarize工具打的就是这个指标 | | FCR（首次解决率） | 一次交互解决、无需再次来电 | 体验与成本双优指标，大模型真正的长板 | | 转人工率 + 升级率 | 兜底通道的触发频次 | 不是越低越好，骤降可能意味着客户根本没找到入口 | Telstra的账本值得细看：20%的人工后续跟进削减，不裁一个人，但省的是「一通电话之后的三次内呼、两条工单、一次回访」这类隐性工时。这种省法不性感，却是最扎实的——它改善的是坐席的边际产能，把「一倍人力」干出「一点二倍的活」。反过来，Klarna式的「AI顶700坐席」是激进路线，赌的是业务简单到AI闭环率足够高。运营商大多数场景介于两者之间：查账单、改套餐、报障进度，AI闭环；投诉、销户、企业专线，人工兜底。 我的判断（这是观点，不是事实）：2026年这个时点，运营商客服大模型的合理预期是**坐席效能提升15%~25%**，而不是坐席数量砍一半。喊后者的供应商PPT，建议直接扣分。 ## 翻车档案：812加元买来的教训 技术写得再花，不谈翻车案例都是耍流氓。客服大模型两年，最值钱的教训是一笔812.02加元的小额赔偿。 **Moffatt诉加拿大航空案（2024 BCCRT 149）。** 时间线如下： ```mermaid timeline title 八百一十二加元的裁决 2022年11月 : Moffatt问丧亲票价 : 机器人答可先买后补退差价 2022年12月 : 申请退款被航司拒绝 : 理由是官网政策要求出行前申请 2023年 : 诉至加拿大BC省民事仲裁庭 2024年2月 : 裁决机器人承诺即公司承诺 : 判赔812.02加元 ``` 案情不复杂：乘客Moffatt的外婆去世，他向加航官网聊天机器人询问丧亲票价政策，机器人回答可以先按全价购票、事后72小时内申请追退差价。他照做了，加航却以官网政策页写明「须出行前申请」为由拒赔。仲裁庭上，加航的辩护理由堪称2024年科技行业最惊人的一句话——**聊天机器人是「独立法律实体」，它说的话不代表公司**。仲裁庭成员Christopher Rivers驳回了这个主张，裁定网站上的机器人就是公司的一部分，机器人说过的话就是公司作出的陈述，判赔812.02加元（含差价、利息与仲裁费）。此案被CBC、Ars Technica等媒体广泛报道，判例金额不大，但确立的原则让每个客服bot项目负责人脊背发凉：**你的机器人给的每一个承诺，都是公司盖了章的合同条款。** **DPD骂街事件。** 2024年1月，英国快递公司DPD的聊天机器人在被客户Ashley Beauchamp反复引导后，写出嘲讽自家公司「最差快递」的打油诗，甚至爆了粗口，截图在社交媒体疯传，DPD被迫紧急下线部分功能。技术根因是典型的提示注入+角色约束缺失：bot没有对「你是谁、你代表谁」设硬约束。 再补一个我亲历的案例（细节脱敏）：国内某省运营商的智能客服上线后，被用户问出「8元套餐」的报价比官网便宜3块钱——知识库里躺着一份三个月前改价前的旧资费文档，RAG检索命中了它。客户拿着bot的报价到营业厅要求兑现，投诉一路升级。这个case没有任何AI黑科技成分，纯粹是**知识库治理的欠账**，但它造成的客户信任损伤比一次断网还难修复。 | 案例 | 根因 | 后果 | 教训 | |---|---|---|---| | 加航机器人赔偿案 | 机器人陈述与官网政策不一致；公司拒绝认账 | 判赔812.02加元，确立「机器人=公司嘴」原则 | 话术输出必须与生效政策逐字对齐 | | DPD骂街事件 | 提示注入，角色约束缺失 | 舆情事故，功能紧急下线 | 人设与红线需硬编码护栏，不信模型自觉 | | 某省旧资费报价（作者亲历） | 知识库版本治理失守 | 客户兑现诉求，投诉升级 | 资费类文档必须有生效期与自动下架 | ## 十条军规：给要上线的团队 最后给打算立项或正在返工的团队一份清单，每一条都有上面的案例背书： 1. **高风险意图白名单前置**：涉资金、涉销户、涉投诉的意图，先路由人工，模型不触碰。 2. **资费事实只信结构化数据**：价格、期限、流量从计费系统实时取数，RAG只负责话术组织，不负责报价。 3. **知识库必须有生效期**：每篇文档带版本号与有效期，过期自动下架，检索层默认过滤。 4. **话术承诺白名单**：「保证」「最低」「赔」这类词进黑名单，命中即转人工复核。 5. **评测集先于模型**：上线前至少5000条真实长尾问答，覆盖方言转写错误、跨套餐组合问题。 6. **灰度按省/按渠道切**：先App文字客服，再热线语音，最后社交媒体——风险递增，别倒序。 7. **转人工不许藏**：任何轮次客户说「人工」，两轮内必须可达，这是监管红线不是体验优化。 8. **全程留痕可回放**：机器人每句话带检索依据引用，仲裁来了拿得出证据链——加航案的反面。 9. **指标防刷**：Deflection率必须配挂机率、投诉率交叉校验，防止「拦截成功」实为「客户放弃」。 10. **把坐席当客户**：坐席副驾驶（Telstra路线）永远比直接对客激进路线先上，让一线员工先尝到甜头，项目才有盟友。 ## 结语：客服不是AI的终点站，是售票处 两年商用下来，客服大模型给通信业交的答卷可以概括为一句话：**辅助线路已经盈利（Telstra的20%），替代线路还在还账（加航的812加元）**。它没有外面吹的那样「取代整个呼叫中心」，也没有嘲讽者说的那样「人工智障重出江湖」——它是一项真实的、算得清账的、但需要知识库治理和护栏工程托底的渐进式技术。 对运营商而言，客服大模型更大的价值在门外：它是全公司第一次把数据治理、模型工程、业务合规拉到一个桌上打仗的练兵场。这支队伍练成了，才有资格去碰网络自智、AI-RAN那些动辄影响百万用户的硬骨头。先学会对客户负责地说每一句话，再去替全网做每一次割接——这个顺序，不该被倒过来。 ## 参考来源 1. [CBC News: Air Canada must pay damages after chatbot gave customer bad information](https://www.cbc.ca/news/canada/british-columbia/air-canada-chatbot-lawsuit-1.7116416) — 加航机器人赔偿案的原始报道，含仲裁庭裁决细节 2. [Ars Technica: Air Canada must honor refund policy invented by its chatbot, tribunal rules](https://arstechnica.com/tech-policy/2024/02/air-canada-must-honor-refund-policy-invented-by-airlines-chatbot/) — 对「独立法律实体」辩护被驳回的法律分析 3. [Microsoft Azure Blog: SuperTOBi, Vodafone's AI-powered digital human, launches with Azure OpenAI](https://azure.microsoft.com/en-us/blog/supertobi-vodafone-s-ai-powered-digital-human-launches-with-azure-openai/) — Vodafone官方与微软联合发布的SuperTOBi技术公告 4. [Klarna: Klarna AI assistant handles two-thirds of customer service chats in first month](https://www.klarna.com/international/press/klarna-ai-assistant-handles-two-thirds-of-customer-service-chats-in-first-month/) — 230万次对话、700坐席等效等核心数据的官方口径 5. [Gartner: Conversational AI Will Reduce Contact Center Agent Labor Costs by $80 Billion by 2026](https://www.gartner.com/en/newsroom/press-releases/2023-08-02-gartner-predicts-conversational-ai-will-reduce-contact-center-agent-labor-costs-by-80-billion-by-2026) — 800亿美元成本削减预测的原始新闻稿 6. Telstra相关数据据路透社2024年9月报道（Ask Telstra 1.3万员工使用、人工后续跟进-20%）；中国移动「九天」相关为公司公开发布口径，以上个别链接若因站点改版失效，可按标题检索原文 --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 > 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。